[发明专利]用于诊断肠胃肿瘤的系统和方法

说明书

一种于内视镜检查系统中诊断胃肠道肿瘤或病理的系统及方法，该内视镜检查系统包含用于显示图像增强内视镜(IEE)图像的一内视镜系统显示器。该方法包含借由一对抗网络(AN)随机生成具有或不具有癌症区域的训练图像样本，该对抗网络包含收集内视镜训练图像(T1)并使用来自一生成分段地图的该AN中的一生成器，自动生成一逼真的IEE图像作为一新的训练图像样本(T2)；使用一预测网络(L1PN)从该所收集的T1及该T2，学习一1级预测结果，该1级预测结果为一IEE图像的一癌变概率；使用一预测网络(L2PN)学习一2级预测结果，该2级预测结果为一IEE图像所侦测到的癌变区域；及使用该L1PN及该L2PN并且不使用AN，预测IEE图像的该1级结果及该2级结果。

相关申请

此申请案请求于2018年2月12日提交的美国专利临时申请案第62/629,600号的优先权权利，该专利申请案的全部内容以引用的方式并入本文中。

技术领域

所揭露的技术系关于内视镜检查，更具体而言，系关于借由内视镜检查早期诊断及侦测早期胃癌(及其他胃肠道癌症)。

背景技术

借由内视镜检查诊断胃肠道(GI)癌症的需求正在增加，但仅有有限数量的、富有经验的内视镜检查医生可侦测到并且不会错过病变(尤其是早期癌症)。因此，计算机辅助诊断，经由深度学习的进步，比传统的图像特征分析方法(在一些研究中，约50-70％的水平))显著提高准确性/敏感性/特异性表现(高达95％的水平)，可帮助医生进行内视镜检查，以诊断及侦测早期胃肠癌。

已发现使用预定图像特征诊断早期胃癌的习知图像分析方法仅达成在约50-70％的范围内的准确性、灵敏度及特异性。

发明内容

该技术的系统与方法各自具有若干态样，其中没有一个态样单独负责其期望的属性。在不限制本发明范围的情况下，现将简要探讨一些态样。

在该发展的一个态样中，存在一种在内视镜检查系统中诊断胃肠肿瘤或病理的方法，该内视镜系统包含用于显示图像增强内视镜(IEE)图像的内视镜系统显示器，该方法包括以下步骤：借由对抗网络(AN)生成具有或不具有癌症区域的训练图像样本，包括收集内视镜训练图像(T1)；根据相应分段地图(S1)将训练图像划分为训练正常区块以及训练癌变(cancerous)区块；使用来自训练癌变区块的癌变生成对抗网络(CGAN)，学习自动生成癌变区块；使用来自训练正常区块的正常生成对抗网络(NGAN)，学习自动生成正常IEE图像区块；随机生成分段地图(S2)，分段地图(S2)包括基于自动生成的癌变区块及自动生成的正常IEE图像区块之黑白图像，其中任何白色像素表示癌变区域，并且其中分段地图可仅有黑色像素，其为无癌症的表示；使用来自被生成之分段地图之AN中的生成器网络，学习自动生成逼真的IEE图像作为新的训练图像样本(T2)；使用1级预测网络(L1PN)，学习1级预测结果，1级预测结果为来自所收集的T1及T2之IEE图像的癌变概率，其中T2由AN生成；使用2级预测网络(L2PN)，学习2级预测结果，2级预测结果为来自所收集的T1及T2之IEE图像所侦测到的癌变区域，其中T2由AN生成；及使用L1PN及L2PN并且不使用AN，预测IEE图像的1级结果及2级结果。

IEE图像可包含放大的窄频影像技术、细胞内视显微镜、i-SCAN、柔性光谱成像颜色增强、蓝色激光成像及亮激光成像中的至少一种。分段地图(S1)可包括参考标准(groundtruth)。参考标准可能由医师标记。该方法还可包括以下步骤：基于所收集的内视镜训练图像，生成附加训练图像，该生成步骤包括：旋转或翻转所收集的内视镜训练图像以创建一个或更多个增强训练图像；提供分辨率大于所收集的内视镜训练图像的引导分段地图；随机裁剪引导分段地图，以获得分辨率等于所收集的内视镜训练图像分辨率的子地图；并且将子地图与每个增强的训练图像重迭(multiplying)，以便产生额外的训练图像。2级预测结果之所侦测到的癌变区域可为像素级别的分辨率。